ISSN : 2085-6989

PENDETEKSIAN DERAU CITRA SECARA OTOMATIS

MENGGUNAKAN TEKNIK JARINGAN SYARAF TIRUAN

Oleh :
Julsam
Staf Pengajar Politeknik Negeri Padang

ABSTRACT

This research is application of neural network technique to optimize convolution

operation using mask 3x3 to omit the image blurring effect. This neural network consists of
three layers. They are input layer (9 neuron inputs), output layer (1 output neuron) and
hidden layer. Each layer is applied to 3, 5 and 7 neuron using back propagation technique.
The result shows the using five neurons to hidden layer give the highest value of sound pixel
recognizing (76.47%)

Key Word : Image, convolution, neural network, back propagation

PENDAHULUAN
Citra (image) dapat mengalami
gangguan derau (noise). Gangguan pada
citra ini dapat dilihat sebagai variasi
intensitas pxel yang tidak berkorelasi
baik dengan pixel-pixel tetanggamya.
Perbaikan citra dengan proses
pelembutan citra yang salah satunya
dilakukan dengan menggunakan metode
konvolusi (Mask) yaitu dengan operasi
penapisan menggunakan penapis linier.
Operasi penapisan menyebabkan efek
pemerataan deajat keabuan, sehingga
citra yang diperoleh terlihat lebih kabur
kontrasnya yang dikenal sebagai efek
pengabuan (blurring).[Rinaldi Munir,
2004] Jika proses konvolusi hanya
diterapkan pada pxel yang
membutuhkan saja, maka efek blurring
dapat dihindarkan.
Berdasarkan gambaran ini
penulis mencoba melakukan
pengembangan dari metode konvolusi ini
dengan melakukan pemeriksaan kondisi
pxel tetangga dari suatu pxel yang akan
dikonvolusi. Jika diperlukan konvolusi
barulah proses Masking dilakukan
sehingga akan dihasilkan pelembutan
citra yang optimal. Pemeriksaan pxel
Elektron: Vol.1 no. 2, Edisi: Desember 2009
sebelum konvolusi perlu dilakukan
dengan cara mencedaskan komputer
seperti cerdasnya manusia dalam
mengamati citra. Pencerdasan ini
dilakukan dengan teknik jaringan syaraf
tiruan.
Perumusan Masalah
Pelembutan citra akan dilakukan
dengan cara konvolusi (Mask) yang
dikembangkan dengan kemampuan
kecedasan (kecerdasan buatan) dalam
menentukan pxel yang perlu
dikonvolusi. Dari uraian yang diberikan
pada latar belakang masalah diatas dapat
dirumuskan permasalahannya sebagai
berikut :
Bagaimana mengatasi efek blurring
yang terjadi pada proses konvolusi
sebuah citra.
Bagaimana merancang model
jaringan syaraf tiruan untuk
mendeteksi keberadaan derau
Bagaimana menerapkan propagasi
balik sebagai algoritma pembelajaran
Bagaimana menerapkan jaringan
syaraf tiruan untuk mendeteksi pixel
yang perlu dikonvolusi.
73
 ISSN : 2085-6989

Apakah dengan jaringan syaraf tiruan

ini derau pada citra dapat dideteksi
secara otomatis.

Tujuan Penelitian
Mengembangkan algoritma
konvolusi dengan mengevaluasi
pxel yang ditinjau terhadap pxel
tetangga. b.
Membangun model jaringan syaraf
tiruan untuk mengoptimalkan operasi Citra digital yang berukuran M x N
pelembutan citra sering dinyatakan dengan matriks yang
Membangun sistem pelembutan citra berukuran M baris dan N kolom sebagai
yang menerapkan teknik jaringan berikut :
syaraf tiruan.
f (0, N 1)
Mengevaluasi kinerja pelembutan f (0,0)
f (1,0)
f (0,1) ...
f (1,1) ... f (1, N 1)
citra konvensional dengan bantuan f ( x, y ) =
: : : :
jaringan syaraf tiruan.
f (M 1,0) f (M 1,1) ... f (M 1, N 1) .....(1)
TINJAUAN PUSTAKA
Citra Digital Indeks baris (i) dan indeks kolom (j)
menyatakan suatu koordinat titik pada
Citra (image) adalah gambar citra sedangkan f(i,j) merupakan
pada bidang dwimatra (dua dimensi) intensitas (derajat keabuan) pada titik
[Rinaldi M, 2004]. Gambar 2.1.a adalah (i,j).
contoh dari sebuah citra yaitu citra kupu-
kupu. Intensitas cahaya (brightness) Operasi Penghilangan Derau
bernilai antara 0 sampai dengan tak (Pelembutan Citra)
berhingga. Citra digital adalah citra
kontiniu yang diubah ke dalam bentuk Derau pada citra merupakan pixel
diskrit baik koordinat maupun intensitas yang nilai derajat keabuannya
cahayanya. Untuk citra dengan 256 mempunyai variasi intensitas pxel yang
derajat bilangan bulat antara 0 .. 255. tidak berkorelasi baik dengan pixel-pixel
[Rafael CG et keabuan, nilai setiap tetanggamya. Hal ini dapat dilihat
elemen matriks adalah al, 2002] sebagai bercak-bercak pada citra. Contoh
citra yang mengandung derau dapat
dilihat pada gambar 1.b

a.
Gambar 1.a. Citra Kupu-Kupu
b. Citra dengan derau
Konvolusi
Konvolusi merupakan
penjumlahan dari perkalian setiap titik
pada kernel dengan setiap titik pada
fungsi masukan. Kernel dioperasikan
secara bergeser pada fungsi masukan
f(x). Jumlah perkalian setiap titik pada
kedua fungsi tersebut merupakan hasil
konvolusi yang dinyatakan dengan h(x).
Ilustrasi konvolusi ditunjukkan pada
gambar 2.

74 | Elektron: Vol.1 no. 2, Edisi: Desember 2009

 ISSN : 2085-6989

Operasi pelembutan citra

Operasi pelembutan citra pxel-pixel berukuran NxM pxel
dimaksudkan untuk menekan derau mempunyai hasil pelembutannya sebagai
(noise) yang terdapat pada citra. Operasi berikut :
pelembutan pada ranah spasial dilakukan
mengganti intensitas suatu pixel dengan 1 m 2 n2
rata-rata dari nilai pixel tersebut dan nilai g( x , y ) = f ( x + r , y + s)
d r = m1 s = n1
..(2)
tetangganya. Sebuah citra f(x,y)
di mana : d = jumlah pxel yang
terlibat dalam perhitungan rata-rata.

P 1P 2P 3P 4P 5P 6P 7P 8P 9

ABCDEFGHI
f(i,j)

pixel dikonvolusi

kernel

f ( i , j ) = A p1 + B p2 + C p3 + D p4 + E p5 + F p6 + G p7 + H p8 + I p9

Gambar 2. Ilustrasi proses konvolus

Operasi perata-rataan dapat dipandang

sebagai konvolusi antara citra f(x,y)
dengan penapis h(x,y) yang disebut
penapis rata-rata (mean filter) yang
dikenal sebagai Mask

g ( x , y ) = f ( x , y ) h( x , y ) .. (3)

Penapis h disebut penapis rata-rata

(mean filter) adalah merupakan matriks Sebelum penapisan
yang hasil penjumlahan komponen-
komponennya bernilai 1, seperti contoh
berikut untuk penapis 3x3.

1 / 9 1/ 9 1 / 9
1 / 9 1/ 9 1 / 9

1 / 9 1/ 9 1 / 9
Sesudah penapisan

Gambar 3. Hasil penapisan derau citra

Elektron: Vol.1 no. 2, Edisi: Desember 2009 75

 ISSN : 2085-6989

Operasi penapisan (pelembutan) citra ini dan setiap hubungannya mempunyai

mempunyai efek pemerataan derajat nilai pemberat masing-masing
keabuan sehingg gambar yang diperoleh

Output signals
tampak lebihkabur kontrasnya. Efek
pengaburan ini yang disebut efek

Input signals
blurring. Contoh citra yang kabur akibat
penapisan dapat dilihat pada gambar 3.

Model Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (JST) merupakan

model yang dikembangkan berdasarkan
prinsip struktur jaringan biologi syaraf Input layer Middle layer Output layer
manusia. Gambar 4. merupakan contoh
arsitektur hubungan jaringan syaraf Gambar 4. Contoh arsitektur jaringan
tiruan Setiap neuron saling terhubung syaraf tiruan [Mickael N, 2002]
nilai jaringan dilewatkan pada sebuah
Gambar 5. melukiskan sebuah fungsi aktivasi yang akan membatasinya
model komputasi neuron buatan yang pada nilai ambang (threshold). Nilai
sederhana (perceptron) yang mulanya yang dihasilkan oleh fungsi aktivasi
diperkenalkan oleh McCulloch. Untuk merupakan nilai neuron karena
membatasi nilai pada output neuron, merupakan keluaran suatu unit neuron.
masukan

pemberat
x1 w
1
neuron
x2 w Keluaran
2
Fungsi Aktifasi
Yk

n
x w
Gambar 5. Model tiruan sebuah neuron [Mauridhi HP, 2002]
n

Neuron menghitung jumlah + 1 jika X

perkalian sinyal masukan dengan Y sign =
1 jika X <
pemberatnya dan membandingkan
hasilnya dengan nilai threshold, . Jika
hasilnya lebih kecil dari nilai threshold dimana :
keluaran neuron adalah -1, sebaliknya X= jumlah perkalian masukan dan
jika hasilnya lebih besar atau sama pemberat ke neuron,
dengan threshold, neuron menjadi aktif xi = nilai masukan ke i,
dan keluaran neuron bernilai +1. Secara wi = nilai pemberat input ke i,
matematis digambarkan sebagai berikut : n = jumlah jumlah neuron masukan
[Michael N, 2002] Y = keluaran dari neuron

n
X = x w i i
Jenis fungsi aktifasi yang dijelaskan
i =1 (4) diatas adalah sign function. Keluaran
aktual dari neuron yang diaktifasi

76 | Elektron: Vol.1 no. 2, Edisi: Desember 2009

 ISSN : 2085-6989

dengan sign function dapat dinyatakan

sebagai :
n
Y = sign xi wi
i =1 .. (5)
Gambar 7. Fungsi sigmoid bipolar
Mengaktifkan Jaringan Saraf Tiruan

Mengaktifkan jaringan saraf Fungsi aktifasi step dan juga sign disbut
tiruan berarti mengaktifkan seluruh juga hard limit function dan sering
neuron yang terdapat pada jaringan digunakan dalam pengambilan
tersebut. Ada beberapa fungsi lain yang keputusan neuron untuk klasifikasi dan
dapat dipakai sebagai pengaktif neuron, pengenalan pola. Kurva fungsi aktifasi
seperti fungsi unit step, impulse sigmoid step dan sign dibambarkan pada gambar
dan fungsi linier. 8.
Fungsi sigmoid terdiri dari dua
jenis, yaitu unipolar dan bipolar. Pernyataan matematis untuk fungsi Sign
Persamaan fungsi sigmoid unipolar telah dijelaskan pada bagian sebelumnya
adalah sedangan untuk fungsi aktifasi Step
adalah
1
y sigmoid = x
1+ e ......... (6)
1, jika X 0
Y step =
Kurva fungsi sigmoid unipolar ini 0, jika X < 0 ........... (8)
digambarkan pada gambar 6.
y Step function
1
Y
+1

0
0 x X
Gambar 6. Fungsi sigmoid unipolar -1

Untuk fungsi sigmoid bipolar dinyatakan Sign function

sebagai : Y
+1
1 e f (x)
y = f (x)
0
1+ e ....... (7) X
-1
dan digambarkan sebagai berikut : Gambar 8. Fungsi aktifasi Step dan
Sign
y
1

0 x
-1

Elektron: Vol.1 no. 2, Edisi: Desember 2009 77

 ISSN : 2085-6989
Selanjutnya fungsi aktifasi linier
digambarkan pada gambar 9, dengan
pernyataan matematisnya sebagai berikut
: Data penelitian diambilkan dari
Y linier = X .......... (9)
Y tabel 1. yang diperoleh menggunakan
+ Matlab.
1 Citra yang dianalisa adalah citra
0 X
-1
Gambar 9. Fungsi aktifasi Linier
METODE PENELITIAN
Alat Bantu Penelitian
Untuk menerapkan algoritma
yang dikembangkan ini diperlukan
sejumlah alat bantu berupa perangkat
keras dan perangkat lunak. Perangkat
keras yang dibutuhkan adalah 1 set
komputer Pentium IV dengan memori
sebesar 512 MB untuk memudahkan
eksekusi program. Di samping itu
diperlukan alat bantu berupa perangkat
lunak yaitu Matlab.
Matlab digunakan untuk
melakukan pembentukan derau pada
citra serta melakukan pembelajaran
pembuktian akurasi keluaran jaringan
syaraf tiruan. Selain itu Matlab juga
digunakan untuk pembuktian algoritma
pejernihan citra yang disusun.
Metode Pengujian
Seperti telah dijelaskan bahwa
penelitian ini bertujuan untuk
mengembangkan algoritma penjernihan
citra yang optimal dengan teknik
jaringan syaraf tiruan. Pengujian
dilakukan dengan mengoperasikan scrip
aplikasi yang dikembangkan dengan
bantuan Matlab
78
HASIL DAN PEMBAHASAN
contoh beberapa citra yang ada yang
mengandung derau seperti pada gambar.
Gambaran dari data pixel citra yang
mengandung derau ini dapat dilihat pada
8 bit dengan 256 derajat keabuan. Warna
derajat keabuan ini bernilai antara 0
(merupakan warna putih) hingga 255
yang merupakan warna hitam). Kalau
diperhatikan dari citra asal data diatas
terlihat jelas bahwa warna derau itu
adalah putih (atau mendekati putih) dan
hitam (atau mendekati hitam).
Berdasarkan tabel 1 posisi derau ini jelas
terlihat dengan nilai 0 atau 255 karena
sangat kontras dengan nilai pixel
tetangga sekelilingnya.
Jaringan syaraf tiruan yang akan
digunakan pada penelitian ini adalah
mempunyai 9 masukan dan 1 keluaran.
Ke 9 masukan ini merupakan nilai dari
setiap matriks 3x3 yang diambil pada
data asal pada tabel 4.1 di mana 1
keluaran adalah untuk mendapatkan
keputusan bagi pixel tengah dari matriks
tersebut, apakah perlu dikonvolusi atau
tidak. Selanjutnya dilakukan penyusunan
data masukan untuk jaringan syaraf
tiruan.
Penyusunan data masukan untuk
jaringan syaraf tiruan ini dilakukan
dengan mengelompokkan data pada tabel
4.1 berdasarkan pola matriks 3x3 seperti
contoh berikut yang diambil pada baris
4, 5 dan 6 , kolom 1, 2 dan 3 :
Contoh data matrik 3x3 sebagai
masukan ke jaringan syaraf tiruan:
21 23 50
72 255 60
244 255 51
| Elektron: Vol.1 no. 2, Edisi: Desember 2009
 ISSN : 2085-6989

[ 21 23 50 72 255 60 244 255 51]

Data yang lainya diperoleh dengan

Berdasarkan matriks data tabel 1
yang diperoleh ini disusun masukan
untuk jaringan syaraf tiruan dengan
susunan data baris pertama, kedua dan
ketiga disusun berjajar kekanan,
sehingga sel tengah dari matriks (2,2)
berada ditengah data. Kemudian melihat
kepada pola matriks ini ditetapkan target
keluaran yang harus dicapai. Untuk
contoh ini nilai sel (2,2) adalah 255
berbeda kontras dengan nilai sel
sekelilingnya, sehingga merupakan derau
dan perlu dikonvolusi. Oleh karena itu
target untuk contoh ini adalah 1.
Sebaliknya bila tidak perlu dikonvolusi,
target ditetapkan bernilai 0. Berdasarkan
contoh di atas, data masukan untuk
jaringan syaraf tiruan disusun sebagai
berikut :
membentuk matriks baru setelah
bergeser satu sel kekanan dan seterusnya
hingga diperoleh sejumlah data. Seperti
tabel 2.
Pembangunan Jaringan Syaraf
Tiruan
Berdasarkan kasus yang akan
diselesaikan ini dan penjelasn diatas,
maka jaringan syaraf tiruan yang
dibangun cukuplah terdiri dari 3 lapisan,
dimana lapisan masukan mempunyai 9
neuron masukan, lapisan keluaran 1
neuron keluaran, sedangkan untuk
lapisan tersembunyi akan digunakan 3, 5
dan 7 neuron dalam pengujiannya.
Gambaran jaringan syaraf tiruan ini
digambarkan pada gambar 10.

M1
1 b1
M2 wi,j
1
2
M3 1
3
M4 wj,kk
b2
M5 4 2 bk

M6 5 2

6 b3 K
M7

3
M8 7
3
M9 8

Lapisan masukan Lapisan tersembunyi Lapisan keluaran

(indeks i) (indeks j) (indeks k)

Gambar 10. Model Jaringan Syaraf Tiruan

Elektron: Vol.1 no. 2, Edisi: Desember 2009 79

ISSN : 2085-6989

Tabel 1. Sebahagian Matriks Citra Butterfly Mengandung Derau

1 2 3 4 5 6 7 8 9
1 36 23 70 170 142 53 33 255 60
2 27 38 32 35 43 42 36 42 70
3 26 0 0 37 39 38 42 48 65
4 21 23 50 65 45 33 41 66 66
5 72 255 60 62 55 45 41 58 0
6 244 255 51 42 49 52 0 47 49
7 255 202 255 42 45 45 53 50 33
8 255 162 44 54 43 41 72 255 255
9 151 53 37 255 56 255 56 55 48
10 255 48 35 49 81 75 56 48 57
11 24 35 0 45 60 70 64 44 69
12 29 30 57 60 48 47 52 255 111
13 0 35 49 59 58 0 167 255 198
14 32 33 47 48 75 196 255 245 161
15 45 34 45 44 129 255 255 255 108
16 45 45 60 255 168 255 184 110 0
17 255 56 66 77 115 151 117 113 116
18 73 0 84 95 98 108 114 115 0
19 58 71 103 105 110 255 115 118 116
20 89 92 101 112 114 115 114 118 118

Tabel 2. Model Data Pengujian

M1 M2 M3 M4 M5 M6 M7 M8 M9 T
1 36 23 70 27 38 32 26 0 0 0
2 23 70 170 38 32 35 0 0 37 0
3 70 170 142 32 35 43 0 37 39 0
4 170 142 53 35 43 42 37 39 38 0
5 142 53 33 43 42 36 39 38 42 0
6 53 33 255 42 36 42 38 42 48 0
7 33 255 60 36 42 70 42 48 65 0
8 27 38 32 26 0 0 21 23 50 1
9 38 32 35 0 0 37 23 50 65 1
10 32 35 43 0 37 39 50 65 45 0
11 35 43 42 37 39 38 65 45 33 0
12 43 42 36 39 38 42 45 33 41 0
13 42 36 42 38 42 48 33 41 66 0
14 36 42 70 42 48 65 41 66 66 0
15 26 0 0 21 23 50 72 255 60 0
16 0 0 37 23 50 65 255 60 62 0
17 0 37 39 50 65 45 60 62 55 0
18 37 39 38 65 45 33 62 55 45 0
19 39 38 42 45 33 41 55 45 41 0

80 | Elektron: Vol.1 no. 2, Edisi: Desember 2009

 ISSN : 2085-6989

20 38 42 48 33 41 66 45 41 58 0
21 42 48 65 41 66 66 41 58 0 0
22 21 23 50 72 255 60 244 255 51 1
23 23 50 65 255 60 62 255 51 42 0
24 50 65 45 60 62 55 51 42 49 0
25 65 45 33 62 55 45 42 49 52 0
26 45 33 41 55 45 41 49 52 0 0
27 33 41 66 45 41 58 52 0 47 0
28 41 66 66 41 58 0 0 47 49 0
29 72 255 60 244 255 51 255 202 255 1
30 255 60 62 255 51 42 202 255 42 0
31 60 62 55 51 42 49 255 42 45 0
32 62 55 45 42 49 52 42 45 45 0
33 55 45 41 49 52 0 45 45 53 0
34 45 41 58 52 0 47 45 53 50 1
35 41 58 0 0 47 49 53 50 33 0
36 244 255 51 255 202 255 255 162 44 0
37 255 51 42 202 255 42 162 44 54 1
38 51 42 49 255 42 45 44 54 43 0
39 42 49 52 42 45 45 54 43 41 0
40 49 52 0 45 45 53 43 41 72 0
41 52 0 47 45 53 50 41 72 255 0
42 0 47 49 53 50 33 72 255 255 0
43 255 162 44 151 53 37 255 48 35 0
44 162 44 54 53 37 255 48 35 49 0
45 44 54 43 37 255 56 35 49 81 1
46 54 43 41 255 56 255 49 81 75 0
47 43 41 72 56 255 56 81 75 56 1
48 41 72 255 255 56 55 75 56 48 0
49 72 255 255 56 55 48 56 48 57 0
50 58 0 167 75 196 255 129 255 255 0
51 0 167 255 196 255 245 255 255 255 0
52 45 44 129 60 255 168 66 77 115 1
53 44 129 255 255 168 255 77 115 151 0
54 129 255 255 168 255 184 115 151 117 0
55 255 56 66 73 0 84 58 71 103 1
56 98 108 114 110 255 115 114 115 114 1
57 112 114 115 114 0 116 115 115 115 1
58 255 111 115 110 0 112 255 255 112 1
59 104 102 103 255 101 0 97 97 98 0
60 102 103 108 101 0 0 97 98 99 1
61 103 108 109 0 0 108 98 99 101 1
62 108 109 109 0 108 255 99 101 105 0

Jaringan syaraf tiruan yang negggunakan cara yang sama dengan

digunakan ini dilatih menggunakan perceptron. Pada perceptron hanya ada
teknik propagasi balik (back satu pemberat untuk setiap masukan,
propagation). Pembelajaran pada akan tetapi pada lapisan majemuk ini
jaringan lapisan majemuk ini

Elektron: Vol.1 no. 2, Edisi: Desember 2009 81

 ISSN : 2085-6989
setiap masukan mempunyai banyak
pemberat.
Pembelajaran ini berlangsung
dalam dua fase. Pertama pelatihan pola
masukan diberikan ke lapisan masukan
jaringan. Jaringan akan meneruskan pola
masukan ini dari lapisan ke lapisan
hingga dihasilkan pola keluaran, dan
dikenal dengan Feedforward. Bila pola
keluaran berbeda dengan keluaran yang
diharapkan, kesalahannya dihitung dan
dialirkan kearah balik (backward).
Pemberat yang telah diset dimodifikasi
selama kesalahan masih ada.
HASIL DAN PEMBAHASAN
a. Dengan fungsi performansi MSE
Gambar 11. Performansi pelatihan untuk 3 Neuron pada lapisan tersembunyi
a. Dengan 5 neuron pada lapisan
tersembunyi
Gambar 12. Performansi pelatihan untuk 5 dan 7 Neuron pada lapisan tersembunyi
Dari pelatihan dan simulasi yang
dilakukan terhadap jaringan syaraf tiruan
dengan 3 neuron pada lapisan
tersembunyi seperti terlihat pada kurva
gambar 4.11 terlihat bahwa pelatihan
yang dilakukan dengan performasi
82
Sinyal-sinyal masukan
dilewatkan melalui fungsi aktifasi.
Fungsi aktifasi yang sering digunakan
adalah fungsi aktifasi sigmoid. Rober C.
William (1995) menggunakan fungsi
aktifasi sigmoid pada jaringan syaraf
feedforward untuk menyelesaikan
regresi beberapa fungsi yang tidak
diketahui. Seperti telah dituliskan pada
persamaan 2.4 fungsi aktifasi sigmoid
adalah :
1
Y sigmoid =
1 + e x
b. Dengan fungsi performansi SSE
b. Dengan 7 neuron pada lapisan
tersembunyi
pelatihan (MSE) memberikan
menghasilkan yang lebih baik dan cepat.
Dengan menetapkan epoch pelatihan
300, pada epoch ke 132 iterasi telah
selesai dilakukan dengan goal sebesar
0,0001.
| Elektron: Vol.1 no. 2, Edisi: Desember 2009
 ISSN : 2085-6989

Ketika disimulasikan dengan data
masukan yang sama jaringan syaraf
tiruan dapat mendeteksi masukan yang
diberikan dengan tepat. Terlihat seluruh
hasil simulasi sesuai dengan target yang
diharapkan. Akan tetapi ketika dilakukan
dengan beberapa data baru yang tidak
dilatih sebelumnya, tingkat keberhasilan
mendeteksi masukan pada performansi
MSE lebih baik dari SSE. Dari 17 data
baru yang diberikan, pada MSE
menghasilkan kesesuaian 13 data
(76,47%) sedangkan SSE menghasilkan
kesuaian 9 data (52,94%).
Besarnya tingkat kegagalan ini
lebih kepada faktor data pelatihan yang
relatif masih sedikit. Dalam pengujian
ini hanya menggunakan data sebanyak
45 buah data. Namun melihat kepada
hasil yang diperoleh ini diyakini bahwa
jaringan syaraf buatan ini dapat
dimanfaatkan untuk mendeteksi.
Disamping itu penetapan nilai pemberat
yang secara otomatis oleh Matlab
kemungkinan juga bisa memberikan
hasil yang berbeda.
Pada pengujian selanjutnya, yaitu
dengan 5 dan 7 neuron pada jaringan
tersembunyi memperlihatkan keduanya
tidak menemukan goal pelatihan hingga
akhir epoch (300 epoch), namun ketika
dilakukan simulasi dengan data yang
sama pada jaringan dengan 5 neuron
pada lapisan tersembunyi, memberikan
hasil yang cukup baik, dimana dari 45
data yang diuji kembali hanya 1 data
yang memberikan hasil yang tidak
sesuai. Sementara itu ketika dilakukan
simulasi dengan data yang sama dengan
data pelatihan pada jaringan dengan 7
neuron pada lapisan tersembunyi kurang
memberikan hasil yang memuaskan.
Karena dari 45 data simulasi 18 data
tidak dapat dikenal dengan baik.
Ketika disimulasi dengan 17 data
baru, jaringan dengan 5 lapisan
tersembunyi memberikan hasil yang
cukup baik, karena dari 14 dari 17 data
simulasi dapat dikenal. Jadi tingkat
keberhasilannya adalah 82,35%.
Sementara itu untuk jaringan dengan 7
neuron pada lapisan hasilnya
menemukan kesesuai pada 9 data
simulasi, jadi keberhasilannya adalah
52,94%.
Berdasarkan uraian diatas maka
dapat dilihat bahwa kekurangan masih
terlihat pada simulasi ini. Sekali lagi ini
kemungkinan besar adalah disebabkan
kurangnya data yang digunakan untuk
melakukan pelatihan terhadap jaringan
yang telah dibentuk. Sedangkan pola
jaringan yang memberikan hasil yang
agak baik adalah jaringan dengan dengan
3 neuron pada lapisan tersembunyi.
Faktor lainnya terjadinya perbedaan
dalam penggunaan model lapisan
tersembunyi ini tidak stabilnya nilai awal
(inisialisasi) yang diberikan pada seluruh
pemberat, karena ditetapkan oleh
Matlab. Hal ini sesuai dengan yang
disebutkan Michael N (2002) bahwa
nilai awal dari pemberat akan
memberikan hasil pelatihan yang
berbeda.

Tabel 3. Data Hasil Pelatihan dan Simulasi dengan data yang sama (3 neuron)
Output N1 Output N2 Sim N1 Sim N2 Err N1 Err N2
T
(MSE) (SSE) (MSE) (SSE) (MSE) (SSE)
0 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000
0 0.0006 -0.0000 0.0006 -0.0000 -0.0006 0.0000
0 0.0003 -0.0000 0.0003 -0.0000 -0.0003 0.0000
0 0.0001 -0.0000 0.0001 -0.0000 -0.0001 0.0000
0 0.0023 -0.0000 0.0023 -0.0000 -0.0023 0.0000
0 0.0001 -0.0000 0.0001 -0.0000 -0.0001 0.0000
0 -0.0000 0.0002 -0.0000 0.0002 0.0000 -0.0002
1 0.9685 0.9964 0.9685 0.9964 0.0315 0.0036
1 0.9946 0.9964 0.9946 0.9964 0.0054 0.0036
0 0.0001 0.0001 0.0001 0.0001 -0.0001 -0.0001

Elektron: Vol.1 no. 2, Edisi: Desember 2009 83

ISSN : 2085-6989

0 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000

0 0.0001 -0.0001 0.0001 -0.0001 -0.0001 0.0001
0 -0.0000 -0.0004 -0.0000 -0.0004 0.0000 0.0004
0 -0.0032 -0.0000 -0.0032 -0.0000 0.0032 0.0000
0 -0.0016 0.0003 -0.0016 0.0003 0.0016 -0.0003
0 -0.0000 -0.0001 -0.0000 -0.0001 0.0000 0.0001
0 0.0005 0.0000 0.0005 0.0000 -0.0005 -0.0000
0 -0.0029 0.0000 -0.0029 0.0000 0.0029 -0.0000
0 0.0017 0.0004 0.0017 0.0004 -0.0017 -0.0004
0 -0.0003 -0.0002 -0.0003 -0.0002 0.0003 0.0002
0 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000
1 0.9779 0.9969 0.9779 0.9969 0.0221 0.0031
0 -0.0000 0.0040 -0.0000 0.0040 0.0000 -0.0040
0 -0.0000 0.0002 -0.0000 0.0002 0.0000 -0.0002
0 0.0000 -0.0001 0.0000 -0.0001 -0.0000 0.0001
0 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000
0 0.0000 -0.0000 0.0000 -0.0000 -0.0000 0.0000
0 -0.0000 0.0000 -0.0000 0.0000 0.0000 -0.0000
1 0.9778 0.9969 0.9778 0.9969 0.0222 0.0032
0 0.0141 -0.0000 0.0141 -0.0000 -0.0141 0.0000
0 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000
0 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000
0 0.0041 0.0004 0.0041 0.0004 -0.0041 -0.0004
1 0.9687 0.9964 0.9687 0.9964 0.0313 0.0036
0 0.0014 0.0003 0.0014 0.0003 -0.0014 -0.0003
0 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000
1 0.9777 0.9969 0.9777 0.9969 0.0223 0.0031
0 -0.0031 0.0017 -0.0031 0.0017 0.0031 -0.0017
0 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000
0 -0.0006 0.0001 -0.0006 0.0001 0.0006 -0.0001
0 -0.0016 0.0006 -0.0016 0.0006 0.0016 -0.0006
0 -0.0016 0.0001 -0.0016 0.0001 0.0016 -0.0001
0 -0.0000 -0.0000 -0.0000 -0.0000 0.0000 0.0000
0 -0.0016 -0.0000 -0.0016 -0.0000 0.0016 0.0000
1 0.9775 0.9969 0.9775 0.9969 0.0225 0.0031

Tabel 4. Hasil Pelatihan dan Simulasi.dengan 5 dan 7 neuron pada lapisan

tersmbunyi dengan data yang sama.
T Output N5 Output N7 Sim N5 Sim N7 Err N5 Err N7
0 -0.0655 0.1111 0.0389 0.1111 0.0655 -0.1111
0 0.0000 0.1111 0.0389 0.1111 -0.0000 -0.1111
0 0.0002 0.1111 0.1798 0.1111 -0.0002 -0.1111
0 0.0212 -1.0000 0.0014 -1.0000 -0.0212 1.0000
0 0.1176 -1.0000 -0.0000 -1.0000 -0.1176 1.0000
0 0.0005 0.1111 0.0389 0.1111 -0.0005 -0.1111
0 0.0024 1.0000 0.1798 1.0000 -0.0024 -1.0000
1 1.0000 0.1111 0.6491 0.1111 0.0000 0.8889
1 0.1201 1.0000 0.5185 1.0000 0.8799 0
0 -0.0051 1.0000 -0.0177 1.0000 0.0051 -1.0000
0 -0.0205 1.0000 -0.0009 1.0000 0.0205 -1.0000
0 0.0090 1.0000 -0.0176 1.0000 -0.0090 -1.0000
0 0.1051 1.0000 -0.0177 1.0000 -0.1051 -1.0000
0 0.1304 1.0000 -0.0177 1.0000 -0.1304 -1.0000
0 0.0000 1.0000 0.5185 1.0000 -0.0000 -1.0000
0 0.0047 1.0000 -0.0000 1.0000 -0.0047 -1.0000
0 -0.0063 1.0000 -0.0177 1.0000 0.0063 -1.0000
0 0.0976 1.0000 0.0064 1.0000 -0.0976 -1.0000
0 0.0848 1.0000 -0.0165 1.0000 -0.0848 -1.0000

84 | Elektron: Vol.1 no. 2, Edisi: Desember 2009

 ISSN : 2085-6989

0 0.0809 -0.0000 -0.0177 -0.0000 -0.0809 0.0000

0 -0.0008 -0.0000 -0.0177 -0.0000 0.0008 0.0000
1 0.9220 1.0000 1.0000 1.0000 0.0781 0
0 0.1299 0.1111 0.1798 0.1111 -0.1299 -0.1111
0 0.0067 0.0000 0.0001 0.0000 -0.0067 -0.0000
0 0.1016 0.2500 -0.0177 0.2500 -0.1016 -0.2500
0 0.0543 1.0000 -0.0174 1.0000 -0.0543 -1.0000
0 -0.0146 0.1111 0.0389 0.1111 0.0146 -0.1111
0 0.1006 1.0000 -0.0003 1.0000 -0.1006 -1.0000
1 1.0000 1.0000 0.1798 1.0000 0.0000 0
0 0.1377 1.0000 0.5185 1.0000 -0.1377 -1.0000
0 -0.0116 0.1111 0.1798 0.1111 0.0116 -0.1111
0 0.0705 -0.0000 -0.0177 -0.0000 -0.0705 0.0000
0 0.0797 1.0000 -0.0113 1.0000 -0.0797 -1.0000
1 0.1344 1.0000 0.6490 1.0000 0.8656 0
0 0.0041 0.2500 -0.0177 0.2500 -0.0041 -0.2500
0 -0.0100 -0.0000 -0.0008 -0.0000 0.0100 0.0000
1 1.0000 1.0000 1.0000 1.0000 0.0000 0.0000
0 0.1376 1.0000 0.1798 1.0000 -0.1376 -1.0000
0 0.0528 1.0000 0.0012 1.0000 -0.0528 -1.0000
0 -0.0818 0.2500 -0.0177 0.2500 0.0818 -0.2500
0 0.1376 1.0000 -0.0177 1.0000 -0.1376 -1.0000
0 0.1377 1.0000 0.0000 1.0000 -0.1377 -1.0000
0 -0.0046 0.1111 0.1798 0.1111 0.0046 -0.1111
0 0.1357 -0.0000 -0.1593 -0.0000 -0.1357 0.0000
1 0.9766 0.2500 1.0000 0.2500 0.0234 0.7500

Tabel 4.3. Hasil Pelatihan dan Simulasi.dengan 3, 5 dan 7 neuron pada lapisan
tersmbunyi dengan data baru.

Sim N3 Hsl N3 Sim N3 Hsl N3 Hasil Hasil

T Sim N5 Sim N7
MSE MSE SSE SSE N5 N7
0 0.8364 TS -0.2713 S -0.0749 S -0.0000 S
1 0.0014 TS -0.2776 TS 1.0000 S 0.2500 TS
0 0.0013 S -0.4039 S 0.1798 S 0.1111 S
0 -0.0000 S 0.6605 TS 0.1798 S 0.1111 S
0 -0.6958 S 0.9398 TS -0.0177 S 0.2500 S
0 -0.0000 S 0.8925 TS -0.0177 S 1.0000 TS
1 -0.0169 TS 0.6748 S -0.1593 TS 0.2500 TS
0 -0.9922 S 0.6661 TS 0.1798 S 0.1111 S
0 -0.0000 S 0.7057 TS 0.1798 S 1.0000 TS
1 0.9996 S 0.2223 TS 0.4065 TS 0.1111 TS
1 -0.0000 TS 0.5535 S -0.0177 TS 0.2500 TS
1 0.9688 S 0.7734 S 0.6491 S 1.0000 S
1 0.9688 S 0.8741 S 0.5185 S 1.0000 S
0 -0.9956 S -0.7680 S 0.1798 S 1.0000 TS
1 0.9688 S 0.6551 S 0.6491 S 0.1111 TS
1 0.9688 S 0.8763 S 0.5185 S 1.0000 S
0 -0.0000 S 0.8009 TS -0.1593 S -0.0000 S
S =13 S=9 S = 14 S=9
76,47% 52,94% 82,35% 52,94%

Keterangan : S = Sesuai TS = Tidak Sesuai

KESIMPULAN Berdasarkan hasil analisa dalam

penelitian ini dapat diambil kesimpulan
sebagai berikut :
Elektron: Vol.1 no. 2, Edisi: Desember 2009 85
 ISSN : 2085-6989

Pixel derau pada citra yang akan Arief Hemawan, 2006,

dikonvolusi secara sederhana
dapat dievaluasi. Dalam
penelitian ini ketia digunakan
metode seleksi kondisi,
memberikan hasil penetapan
hanya pada derau dengan ukuran
1 pixel, sehingga hasilnya belum
optimal.
Penggunaan jaringan syaraf
tiruan pada penelitian ini hanya
untuk mendeteksi kemungkinan
dikenal atau tidaknya pixel derau.
Dari hasil pengujian dengan
jaringan syaraf tiruan,
keberhasilannya mencapai
82,35%.
Di antara pola jaringan yang
digunakan, jaringan dengan 3
lapisan tersembunyi memberikan
hasil 76,47%, sedangkan
pengujian dengan 5 lapisan
tersembunyi memberikan hasil
sangat baik, 82,35% dan
pengujian dengan 7 laspisan
tersembunyi memberikan hasil
52,94%
Saran
Penyempurnaan dari penelitian
ini diharapkan dapat dilanjutkan
kearah pemanfaat hasil
pendeteksian derau dengan
jaringan syaraf tiruan untuk
penjernihan citra.
Untuk memberikan hasil yang
lebih baik pembentukan,
pelatihan dan simulasi dapat
dilakukan dengan menggunakan
skrip program Matlab atau
bahasa pemrograman lainnya.
Penggunaan sampel dan jumlah
data untuk pelatihan sebaiknya
dalam jumlah yang cukup besar
DAFTAR PUSTAKA
Jaringan
Saraf Tiruan, Teori dan
Aplikasi, Penerbit Andi,
Yogyakarta.
John O. Moody, Panos J. Antsaklis,
The Dependence Identification
Neural Network Construction
Algorithm, IEEE Transactions
on Neural Network Vol.7 No.1,
January 1996
Jong Jek Siang, 2005, Jaringan
SyarafTiruan Pemrogramannya
Menggunakan Matlab, Penerbit
Andi, Yogyakarta,
Lee K. Jones, Constructive
Approximations for Neural
Netwok by Sigmoidal Function,
Proceeding of The IEEE Vol.
78 No.10, Oktober 1990
Mauridhi Hery Purnomo, 2002,
Dasar Algoritma Cedas, PENS
ITS, Surabaya.
Michael Negnevitsky, 2002,
Artificial Intelligence, A Guide
to Intelligent Systems, Addison
Wesley.
Rafael C. Gonzales, Richard E.
Woods, 2002, Digital Image
Processing, Second Edition,
Prentice Hall Inc, New Jersey
Rinaldi Munir, 2004, Pengolahan
Citra Digital dengan
Pendekatan Algoritma, Penerbit
Informatika, Bandung.
Robert C. Williamson, Uwe Helmke,
Existence and Uniqueness
Results for Neural Network
Application, IEEE Transactions
on Neual Netwoks Vol. 6 No.1,
January 1995
Sri Kusumadewi, 2004, Membangun

86 | Elektron: Vol.1 no. 2, Edisi: Desember 2009

 ISSN : 2085-6989

Jaringan Syaraf Tiruan

Menggunakan MATLAB &
EXCELL LINK, Penerbit Graha
Ilmu, Yogyakarta.

Elektron: Vol.1 no. 2, Edisi: Desember 2009 87